抗体偶联药物 ADC质量文档的向量模型与索引

这个品类的数据长什么样

抗体偶联药物 ADC 的质量文档主要来源于研发过程中的实验记录、批生产记录、质量标准、分析方法验证报告、稳定性研究报告以及法规申报资料。这些文档更新频率较高，尤其在临床试验阶段和上市后变更阶段。文档结构复杂，通常包含大量图表、化学结构式、谱图数据和专业术语。字段与单位具有高度特异性，例如抗体偶联比 (DAR)、药物负载量、纯度（如 SEC-HPLC 纯度）、内毒素含量、pH 值、生物活性单位等，并严格遵循药典（如 USP、EP、JP）和 ICH 指导原则。

这些特征在「向量模型与索引」这一环带来什么约束

ADC 质量文档的复杂性对向量模型与索引提出了特定要求。高更新频率意味着索引需要支持高效的增量更新机制，避免频繁的全量重建。文档中的图表、化学结构式和谱图数据无法直接通过文本向量化捕捉，需要引入多模态处理或在文本描述中尽可能包含关键信息。专业术语和缩写（如 ADC、DAR、mAb）的上下文依赖性强，可能影响通用预训练模型的理解，需要针对生物医药领域进行领域适应性训练或词表扩展。字段与单位的严格性要求在分块时保留其完整性，避免关键数值与单位分离，影响召回精度。

配置怎么定

配置项	建议取法	这样取的依据
`分段长度`	`800–1200 字符`	兼顾上下文完整性与向量化效率，避免关键信息被截断。
`分段重叠长度`	`100–200 字符`	确保相邻分段间的语义连续性，尤其在跨段落讨论关键指标时。
`召回条数`	`前 5 条`	在保证召回相关性的同时，减少后续重排和生成阶段的计算负担。
`相似度阈值`	`按实测标定`	需根据 ADC 质量文档的实际语义分布，通过测试集确定合适值，确保高召回率。
`maxContext`	`4000 字符`	适应 ADC 质量文档中可能出现的较长段落和复杂描述。
`PARSE_FILE_TIMEOUT_SECONDS`	`600 秒`	考虑到文档可能包含大量图表或复杂结构，解析时间可能较长。

容易做错的三处

现象：知识库状态长时间显示“训练中”或“正在重建”，无法切换索引。原因：文档解析或向量化过程中遇到异常数据格式（如损坏的 PDF、无法识别的图表），导致流程阻塞或重试循环。
现象：查询关于特定纯度指标时，召回的文档片段不包含完整的数值与单位信息。原因：分段策略未能有效识别并保留“数值 + 单位”作为一个整体，在分段时将其拆散。
现象：批量添加索引时，部分文档未能成功入库或入库后无法被检索。原因：API 请求参数中 chunk_size 或 overlap_size 设置不当，或 metadata 字段未正确传递关键标识符。

怎么确认配好了

选择代表性的 ADC 质量文档，进行入库操作，并检查知识库状态是否正常转变为“已完成”。
构建包含特定 ADC 指标（如 DAR 2.5、SEC-HPLC 99.5%）的查询，检查召回结果是否包含这些完整且准确的数值和单位。
针对文档中常见的专业缩写（如 mAb、ADME），进行模糊查询，验证召回结果的语义相关性，并确认相关文档是否被正确索引。
通过 API 接口查询索引的元数据，检查 document_id、chunk_id 等关键标识符是否按预期生成且唯一。

问题素材取自公开社区提问（2026-09-11 去重 4,834 条）。文中的配置项名称与取值区间需以所用版本的实际界面与文档为准；本页核验日 2026-09-21，当时的最新发布版本为 FastGPT v4.17.0。